WO2018072395A1

WO2018072395A1 - 基于前向车辆驾驶行为的智能车辆安全环境包络重构方法

Info

Publication number: WO2018072395A1
Application number: PCT/CN2017/078516
Authority: WO
Inventors: 何友国; 袁朝春; 陈龙; 江浩斌; 蔡英凤; 王海
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2016-10-19
Filing date: 2017-03-29
Publication date: 2018-04-26
Anticipated expiration: 2019-04-19
Also published as: CN106564496B; US20210387653A1; CN106564496A

Abstract

一种基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，从模拟真实驾驶员对前向行驶区域潜在碰撞风险进行预估的行为出发，将前向车辆驾驶行为预测引入到智能车辆的环境感知环节，基于前向车辆驾驶行为预测结果，对智能车辆安全环境包络进行重构。该方法以前向车辆轨迹点序列、前向车辆转向灯、智能车辆速度、智能车辆与前向车辆的纵向相对速度等信号作为观测值，通过隐马尔科夫模型(HMM)对前向车辆驾驶行为进行预测；根据前向车辆驾驶行为预测结果对智能车辆与前向车辆的横向间距、纵向间距进行修正，实现智能车辆安全环境包络重构，进而实现对智能车辆安全驾驶区域内潜在的碰撞危险进行预估，提高智能车辆的安全性。

Description

基于前向车辆驾驶行为的智能车辆安全环境包络重构方法

技术领域

本发明涉及智能汽车领域，具体为一种基于前向车辆驾驶行为的智能车辆安全环境包络重构方法。

背景技术

随着汽车工业的迅猛发展以及人民生活水平的不断提高，汽车保有量持续攀升，随之而来的是越来越大的交通压力，道路拥堵，交通事故频发等一系列亟待解决的问题，智能交通系统作为解决上述问题的有效途径，受到社会各界的广泛关注。智能车辆作为智能交通系统中的新兴技术，已经成为国内外研究的热点。智能车辆首先要解决的问题就是环境感知问题，即通过视觉传感器、雷达传感器、车载传感器等进行车辆周围交通环境以及智能车辆自身运动参数的感知。但目前国内外学者只是针对智能车辆周边车辆当前运动参数进行感知，进行路径规划和跟踪控制。然而周边车辆尤其是前向车辆驾驶行为的随机变化，使得智能车辆很难对潜在的碰撞风险进行预估，进而影响路径规划和跟踪控制的准确性。因此，为了模拟驾驶员驾驶车辆过程中对潜在碰撞危险的预估的行为，将前向车辆驾驶行为预测引入到安全环境包络中，根据前向车辆驾驶行为对安全环境包络重构，对安全驾驶区域内潜在的碰撞危险进行预估，提高智能车辆的安全性。

因此，本发明提出一种基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，通过摄像头、激光雷达对智能车辆前方交通环境及前向车辆进行感知，建立前向车辆驾驶行为预测模型，对前向车辆驾驶行为进行预测。根据前向车辆驾驶行为预测结果对智能车辆与前向车辆的横向间距、纵向间距进行修正，实现智能车辆安全环境包络重构，进而实现对智能车辆安全驾驶区域内潜在的碰撞危险进行预估，提高智能车辆的安全性。通过查阅资料，目前在智能车辆安全驾驶区域内引入前向车辆驾驶行为的应用尚未见到报道。

发明内容

本发明的目的在于提供一种基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，从模拟真实驾驶员对前向行驶区域潜在碰撞风险进行预估的行为出发，将前向车辆驾驶行为预测引入到智能车辆的环境感知环节，基于前向车辆驾驶行为预测结果，对智能车辆安全环境包络进行重构。本发明以前向车辆轨迹点序列、前向车辆转向灯、智能车辆速度、智能车辆与前向车辆的纵向相对速等信号作为观测值，通过隐马尔科夫模型(HMM)对前向车辆驾驶行为进行预测；根据前向车辆驾驶行为预测结果对智能车辆与前向车辆的横向间距、纵向间距进行修正，实现智能车辆安全环境包络重构，进而实现对智能车辆安全驾驶区域内潜在的碰撞危险进行预估，提高智能车辆的安全性。

本发明的技术方案：一种基于前向车辆驾驶行为的智能车辆安全环境包络重构方法由前向车辆驾驶行为预测模型和智能车辆安全环境包络重构算法组成。其中前向车辆驾驶行为预测模型负责对前向车辆驾驶行为进行预测，智能车辆安全环境包络重构算法负责根据预测结果进行安全环境包络重构。

本发明所述前向车辆驾驶行为预测模型如下：

基于HMM理论，建立前向车辆驾驶员驾驶行为HMM预测模型λ＝(N,M,π,A,B)，其中：

前向车辆驾驶行为状态S：S＝(S₁,S₂,…S_N)，t时刻所处状态为q_t，q_t∈S，本项目状态数N＝4，其中，S₁为匀速驾驶行为，S₂为紧急制动驾驶行为，S₃为左转向驾驶行为，S₄为右转向驾驶行为；

观测序列V：V＝(v₁,v₂,…v_M)，t时刻观测事件为O_t，本项目观测值数M＝7，其中，v₁为前向车辆相邻轨迹点序列极径变化观测值，v₂为前向车辆相邻轨迹点序列极角变化观测值，v₃智能车辆速度，v₄智能车辆与前向车辆的纵向相对速度，v₅前向车辆左转向灯，v₆前向车辆右转向灯，v₇前向车辆刹车灯。

π：前向车辆驾驶行为初始状态概率矢量，π＝(π₁,π₂,…π_N)，其中π_i＝P(q₁＝S_i)；

A：状态转移矩阵，即前向车辆驾驶行为状态转移矩阵，A＝{a_ij}_N×N，其中，a_ij＝P(q_t+1＝S_j|q_t＝S_i)，1≤i,j≤N；

B：观测事件概率分布矩阵，即不同前向车辆驾驶行为在S下各观测状态出现的概率，B＝{b_jk}_N×M，其中，b_jk＝P[O_t＝v_k|q_t＝S_j]，1≤j≤N，1≤k≤M。

智能车辆安全环境包络重构算法

智能车辆根据前向车辆与智能车辆的横向间距、纵向间距确定前方安全行驶区域，即本发明所述的安全环境包络。根据传感器及动力学模型，建立智能车辆与前向车辆相对位置信息公式如式(1)所示：

其中：p_x,j(t)为第j个前向车辆的纵向坐标，p_x,sub(t)为智能车辆的纵向坐标，e_ψ(t)车辆与路面的定位误差，p_y,j(t)为第j个前向车辆的横向坐标，p_y,sub(t)为智能车辆的横向坐标，Δp_x,j(t)为智能车辆与第j个前向车辆纵向相对距离，Δp_y,j(t)为智能车辆与第j个前向车辆横向相对距离。

通过变换得到智能车辆与前向车辆的间距如式(2)所示：

其中：L_v为前向车辆的长度，W_v为前向车辆的宽度，C_x,j(t)为智能车辆与前向车辆的纵向间距，C_y,j(t)智能车辆与前向车辆的横向间距。

公式(2)所表示的智能车辆与前向车辆的纵向间距和横向间距是根据前向车辆当前位置计算得到的，作为智能车辆下一时刻安全环境包络的参考值，未考虑前向车辆驾驶行为变化的有随机性。当前向车辆下一时刻具有左转向驾驶行为或右转向驾驶行为时，智能车辆与前向车辆的横向间距会增大或减小；当前向车辆下一时刻具有紧急制动驾驶行为时，智能车辆与前向车辆的纵向间距会减小。因此，为了对前方安全行驶区域内潜在的碰撞风险进行预估，本发明将前向车辆驾驶行为预测引入到智能车辆安全环境包络构建环节，根据预测结果对智能车辆与前向车辆的纵向间距和横向间距进行修正，进而实现对智能车辆安全环境包络的重构，修正公式如式(3)所示：

ω_x为纵向修正因子，表示纵向间距变化尺度，由于对前向车辆纵向预测结果为匀速驾驶行为或紧急制动驾驶行为，所以ω_x的取值范围在0-1之间。ω_y为横向修正因子，表示横向间距变化尺度，由于对前向车辆横向预测结果为左转向驾驶行为或右转向驾驶行为，同时考虑智能车辆与前向车辆横向相对位置，当横向间距变小时，ω_y的取值0-1之间，当横向间距变大时，ω_y的取值大于1。为了提高智能车辆安全环境包络重构的准确性，本发明通过HMM模型预测结果的概率值大小来确定ω_x和ω_y的值。

本发明的有益效果：

本发明从模拟真实驾驶员通过对前向车辆驾驶行为进行预测进而实现对前向行驶区域潜在碰撞风险进行预估的行为出发，将前向车辆驾驶行为预测引入到智能车辆的环境感知环节，对前向车辆在行车过程中的突然制动、突然转向驾驶行为进行预测。根据前向车辆驾驶行为对安全环境包络进行重构，对安全驾驶区域内潜在的碰撞危险进行预估，提高智能车辆的安全性。

附图说明

图1为本发明系统框图。

图2为本发明前向车辆驾驶行为预测模型离线训练流程图。

图3为本发明前向车辆驾驶行为预测流程图。

图4为前向车辆具有左转向驾驶行为时横向间距变化示意图。

其中(a)表示智能车辆与前向车辆的初始横向距离示意图；(b)表示前向车辆具有左转向驾驶行为时，智能车辆与前向车辆的横向距离示意图。

图5为前向车辆具有紧急制动驾驶行为时纵向间距变化示意图。

其中(a)表示智能车辆与前向车辆的初始纵向距离示意图；(b)表示前向车辆具有紧急制动驾驶行为时，智能车辆与前向车辆的纵向距离示意图。

具体实施方式

下面参照附图并结合实例对本发明的构思、具体工作过程行清楚完整地描述。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明实施例，本领域技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护范围。

见图1，一种基于前向车辆驾驶行为的智能车辆安全环境包络重构方法由前向车辆驾驶行为预测模型和智能车辆安全环境包络重构算法组成。

1、前向车辆驾驶行为预测模型的实现包括如下

前向车辆驾驶行为预测模型建立：本发明建立前向车辆驾驶行为预测模型包括：匀速驾驶行为预测模型(US_HMM)、紧急制动驾驶行为预测模型(EB_HMM)、左转向驾驶行为预测模型(LT_HMM)、右转向驾驶行为预测模型(RT_HMM)。

前向车辆驾驶行为预测模型离线训练：如图2所示，为本发明所述离线训练流程图，包括如下步骤：

(1)模型参数初始化。主要是对HMM模型中的π、A、B进行初始化。

(2)选取前向-后向算法，用当前样本，计算前向频率α_t(i)和后向概率β_t(j)；

(3)利用Baum-Welch算法，计算当前新的模型估计值

(4)计算似然概率

(5)如果

是递增的，则用步骤(3)计算出来的新的估计值重新对该样本进行下一次的估计，返回步骤(2)，逐步迭代，直到

不再明显增大，即收敛，此时的模型

即为所求模型。

下面以前向车辆左转向驾驶行为预测模型(LT_HMM)为例，说明本发明LT_HMM的训练过程。

(1)训练样本的选取。

本发明选取的左转向驾驶行为预测模型的观察序列包括：前向车辆相邻轨迹点序列极径变化观测值、前向车辆相邻轨迹点序列极角变化观测值、智能车辆速度、智能车辆与前向车辆的纵向相对速度、前向车辆左转向灯、前向车辆右转向灯、前向车辆刹车灯7个参数。HMM的观察序列以向量的形式进行描述，如式(4)所示。

O(t)＝{v₁ v₂ v₃ v₄ v₅ v₆ v₇} (4)

其中，v₁为前向车辆相邻轨迹点序列极径变化观测值，v₂为前向车辆相邻轨迹点序列极角变化观测值，v₃智能车辆速度，v₄智能车辆与前向车辆的纵向相对速度，v₅前向车辆左转向灯，v₆前向车辆右转向灯，v₇前向车辆刹车灯。

样本数量100组。

(2)模型参数初始化。

本发明采用均值法得到π和A的初始值。π＝[0.25 0.25 0.25 0.25]，

本发明根据不同轨迹模式的先验特性来确定输出概率矩阵B初始概率分布。

(3)训练左转向驾驶行为预测模型。

按照图2所示离线训练流程，将左转向驾驶行为训练样本送入初始化后的左转向驾驶行为预测模型中进行训练，最终得到左转向驾驶行为预测模型。

2、前向车辆驾驶行为预测过程：

预测过程如图3所示。将原始参数进行特征提取，形成一组观察序列O。应用前向-后向算法计算每个模型产生当前观察序列的概率P(O/λ)，概率值最大的模型便是当前驾驶行为。

3、利用前向车辆驾驶行为预测结果进行安全环境包络重构：

下面以前向车辆预测结果为左转向驾驶行为为例，说明本发明横向安全距离重构。

如图4(a)所示，当只考虑前向车辆②当前位置时，智能车辆①与前向车辆②的横向间距为C_y,j(t)，如图4(b)所示，当考虑前向车辆②具有左转向驾驶行为时，智能车辆①与前向车辆②的横向间距变为C′_y,j(t)。对比图4(a)和图4(b)可知，这时智能车辆①与前向车辆②的横向间距变小了，根据预测结果对横向安全距离重构得到新的横向安全间距为C′_y,j(t)＝ω_yC_y,j(t)，其中ω_y为横向修正因子，表示横向间距变化尺度，ω_y值得大小根据前向车辆驾驶行为预测模型预测出的左转向驾驶行为的最大似然概率确定。可以看出，当考虑前向车辆具有左转向驾驶行为时，智能车辆对前向车辆左转向驾驶行为进行预测，通过重构横向安全距离，减小了横向碰撞的风险。

下面以前向车辆预测结果为紧急制动驾驶行为为例，说明本发明纵向安全距离重构。

如图5(a)所示，当只考虑前向车辆②当前位置时，智能车辆①与前向车辆②的纵向间距为C_x,j(t)，如图5(b)所示，当考虑前向车辆具有紧急制动驾驶行为时，智能车辆①与前向车辆②的纵向间距变为C′_x,j(t)。对比图5(a)和图5(b)可知，这时智能车辆①与前向车辆②的纵向间距变小了，根据预测结果对纵向安全距离重构得到新的纵向安全间距为C′_x,j(t)＝ω_xC_x,j(t)，其中ω_x为纵向修正因子，表示纵向间距变化尺度，ω_x值得大小根据前向车辆驾驶行为预测模型预测出的紧急制动驾驶行为的最大似然概率确定。可以看出，当考虑前向车辆具有紧急制动驾驶行为时，智能车辆对前向车辆紧急制动驾驶行为进行预测，通过重构纵向安全距离，减小了纵向碰撞的风险。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims

基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，其特征在于，由前向车辆驾驶行为预测模型和智能车辆安全环境包络重构算法组成；所述前向车辆驾驶行为预测模型负责对前向车辆驾驶行为进行预测，所述智能车辆安全环境包络重构算法负责根据预测结果进行安全环境包络重构。
根据权利要求1所述的基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，其特征在于，所述前向车辆驾驶行为预测模型为HMM预测模型λ＝(N,M,π,A,B)，

前向车辆驾驶行为状态S：S＝(S₁,S₂,…S_N)，t时刻所处状态为q_t，q_t∈S，本项目状态数N＝4，其中，S₁为匀速驾驶行为，S₂为紧急制动驾驶行为，S₃为左转向驾驶行为，S₄为右转向驾驶行为；

观测序列V：V＝(v₁,v₂,…v_M)，t时刻观测事件为O_t，本项目观测值数M＝7，其中，v₁为前向车辆相邻轨迹点序列极径变化观测值，v₂为前向车辆相邻轨迹点序列极角变化观测值，v₃智能车辆速度，v₄智能车辆与前向车辆的纵向相对速度，v₅前向车辆左转向灯，v₆前向车辆右转向灯，v₇前向车辆刹车灯；

π：前向车辆驾驶行为初始状态概率矢量，π＝(π₁,π₂,…π_N)，其中π_i＝P(q₁＝S_i)；

A：状态转移矩阵，即前向车辆驾驶行为状态转移矩阵，A＝{a_ij}_N×N，其中，a_ij＝P(q_t+1＝S_j|q_t＝S_i)，1≤i,j≤N；

B：观测事件概率分布矩阵，即不同前向车辆驾驶行为在S下各观测状态出现的概率，B＝{b_jk}_N×M，其中，b_jk＝P[O_t＝v_k|q_t＝S_j]，1≤j≤N，1≤k≤M。
根据权利要求2所述的基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，其特征在于，所述前向车辆驾驶行为预测模型的实现包括如下：

建立匀速驾驶行为预测模型、紧急制动驾驶行为预测模型、左转向驾驶行为预测模型、右转向驾驶行为预测模型四个模型；

将所述四个模型进行离线训练；

对前向车辆的驾驶行为进行预测。
根据权利要求3所述的基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，其特征在于，所述将所述四个模型进行离线训练的过程包括：

(1)模型参数初始化：主要是对HMM模型中的π、A、B进行初始化；

(2)选取前向-后向算法，用当前样本，计算前向频率α_t(i)和后向概率β_t(j)；

(3)利用Baum-Welch算法，计算当前新的模型估计值

(4)计算似然概率

(5)如果
是递增的，则用步骤(3)计算出来的新的估计值重新对该样本进行下一次的估计，返回步骤(2)，逐步迭代，直到
不再明显增大，即收敛，此时的模型
即为所求模型。
根据权利要求3所述的基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，其特征在于，所述对前向车辆的驾驶行为进行预测的过程包括：

将原始参数进行特征提取，形成一组观察序列O；应用前向-后向算法计算每个模型产生当前观察序列的概率P(O/λ)，概率值最大的模型便是当前驾驶行为。
根据权利要求1所述的基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，其特征在于，所述智能车辆安全环境包络重构算法的实现包括：

建立智能车辆与前向车辆相对位置信息表达式：

其中：p_x,j(t)为第j个前向车辆的纵向坐标，p_x,sub(t)为智能车辆的纵向坐标，e_ψ(t)为车辆与路面的定位误差，p_y,j(t)为第j个前向车辆的横向坐标，p_y,sub(t)为智能车辆的横向坐标，Δp_x,j(t)为智能车辆与第j个前向车辆纵向相对距离，Δp_y,j(t)为智能车辆与第j个前向车辆横向相对距离；

通过变换得到智能车辆与前向车辆的间距表达式：

其中：L_v为前向车辆的长度，W_v为前向车辆的宽度，C_x,j(t)为智能车辆与前向车辆的纵向间距，C_y,j(t)智能车辆与前向车辆的横向间距；

根据前向车辆驾驶行为预测结果对智能车辆与前向车辆的纵向间距和横向间距进行修正，实现对智能车辆安全环境包络的重构；所述修正的表达式为：

其中，ω_x为纵向修正因子，表示纵向间距变化尺度；ω_y为横向修正因子，表示横向间距变化尺度；ω_x和ω_y的值通过前向车辆驾驶行为预测结果的概率值大小来确定。
根据权利要求6所述的基于前向车辆驾驶行为的智能车辆安全环境包络重构方法，其特征在于，所述ω_x的取值范围在0-1之间；当横向间距变小时，所述ω_y的取值0-1之间，当横向间距变大时，所述ω_y的取值大于1。